独家｜一群数学家给世界模型立规矩，融了上亿
让AI真正走向物理世界。
2026年最受追捧的概念是什么？我想世界模型必须榜上有名。今年年初有创业者告诉我，如果项目不带“世界模型”四个字，根本上不了会，投资决策层更是看都不会看。再看行业侧，我的感受是世界模型这个词现在太乱了，不管是视频生成公司、VLA公司还是自动驾驶公司都自称世界模型。纵然这个概念火爆，但却没有一个人能真正说得清它的定义，颇有点“一千个创业者有一千个世界模型”的意味。于是，一群数学家决定站出来，他们想从最底层出发，找到真正的世界模型。这群数学家背后是一家成立四年的公司，清雁科技。前不久，清雁科技官宣完成一笔超亿元A轮融资，由君联资本领投，宁波亿时、苏州苏创投跟投。最近，我们跟这家公司的核心团队成员聊了聊，他们是清雁科技董事长、北京雁栖湖应用数学研究院的研究员孙明明，清雁科技董事、北京雁栖湖应用数学研究院研究员、清华大学教授汤珂，清雁科技董事、CEO张英伟和清雁科技CTO王凡。从数学出发清雁科技的故事，要从“清雁”两个字说起。公司由清华大学与北京雁栖湖应用数学研究院共同孵化，一个取自"清华"，一个取自"雁栖湖"。成立后的很长一段时间，他们都十分低调，将主要精力放在了数据基础设施和数学与AI结合的探索上。渐渐地，团队看到了一个趋势，数据基础设施最深度的使用者，正在从机构变成模型，数据能力越往价值链上游走，就越是为模型服务。“数据基础设施跟模型的结合越来越紧，世界模型是个必然趋势。”张英伟回忆。在学术侧，这个判断也得到了印证，清雁有着北京雁栖湖应用数学研究院的底色，与一线的数学研究员们保持着高频的学术交流，由此他们也看到了微分几何和数学物理在世界模型的切入点。具身智能眼下的困境，恰好给了这些思考一个现实的抓手。机器人数据极度稀缺，跨本体的问题理论上就无法靠堆数据覆盖，有些罕见却致命的corner case必须被“设计着采”，在清雁团队看来，这些难点的根源不在于数据采得不够多，而在于缺一套能对物理世界进行结构化表达和验证的底层方法，这恰恰是数学可以介入的地方。2026年，具身智能与世界模型走热，一个真正巨大的问题空间也随之显露：让机器理解并推演物理世界的演化。而对清雁团队来说，这个时机真正特别的地方在于，AI要真正走向物理世界，绕不开三样东西，“能理解物理世界的模型、真实世界数据的采集与治理、两者之间的高速迭代”，而这恰好同时命中清雁的两条线索。它一方面需要微分几何这样的数学工具，把“理解物理”从口号变成可建模、可计算的问题；另一方面需要真实世界的数据供给和数据基础设施，更难得的是，两者彼此牵引，形成闭环。为什么清雁能把这个事情做好？在世界模型这个赛道上，他们认为有两个别人难以复制的壁垒：一个是数学基因，一个是数据飞轮。市面上多数的世界模型公司是工程师驱动，而清雁科技希望用更底层的数学原理改变物理AI的范式。它的核心叙事是“从基础数学出发，追求物理AI 0到1的算法突破”。具体而言，是用几何物理的方法描述物体，再验证物体的属性与运动交互是否符合物理规律，这套体系被命名为“几何物理表征与验证体系”。按孙明明的解释，几何物理层“把物体从像素和点的几何，转化成一个连续、可微、可计算的物理状态。在这个状态里，对象的身份、几何结构、位姿、运动、材料、各种接触关系统一表达”。他进一步补充了背后的数学直觉，几何学本质上是关于不变量的学问，不管从什么视角、什么光照条件观察一个物体，几何属性是不变的。有了这样的不变量，模型的学习目标就从“记住千变万化”变成“抓住恒定结构”，学习空间和所需的数据量都会显著下降。同样重要的是可验证性，当世界被建模成几何物理状态，模型预测结果能够接受规则检查与仿真检验，并为误差诊断提供更具体的分析入口，对于能够通过观测辨识的物理参数，还可以结合真实反馈进行校准。这套体系并非纸上谈兵。在今年8月的世界机器人大会上，清雁已经展示过一批基于几何物理表征的阶段性demo，并披露了一组数字，自研物理引擎在同等精度下，计算效率达到主流物理引擎Newton的5.2倍，柔性体形变的计算效率则高出一个量级。数据基因再来看数据。业内的一个共识是，物理AI与语言模型最大的不同就在于数据缺乏。整个互联网的人类文明沉淀为大语言模型训练提供了大量免费的语料，而物理AI的数据则要靠采集，昂贵且稀缺，这一点具身公司的体会应该更为深刻。面对具身数据的稀缺，清雁给出的解法是自建数据采集场。今年，两处自建采集场将先后在北京落地，规模仍在规划中；围绕采集场，清雁自研了采集设备、数据管线、自动标注治理与质检评测体系，采集4D乃至5D数据（时序、纵深、触觉等多模态）。自建的好处可以直接用数字说话。据CEO张英伟介绍，在清雁模型训练过程中，涉及到比较多的自研的创新采集设备的应用，所以自建训练场能提高效率。还有一类数据越少越贵却越关键，像是撞车这种发生概率极低、但一旦发生代价极大的长尾事件（rare events），“机器人要进入人类社会，这类长尾数据必须尽可能获得，而且需要设计着去采。”因此，清雁搭建了一套“模型牵引数据、数据反哺模型”的闭环，这被清雁称为“模数共振闭环”。其逻辑是，一旦出现算法突破，就可以立刻针对新算法采集数据、训练、评测、反馈、再采集。按汤珂的话说，不管最终的突破是不是发生在清雁，都要靠这套高效闭环“让自己在桌上”。这套采集与数据平台的底座，建立在数据空间和数据沙箱之上，完全符合国家对数据合规与可信交付的要求，这恰恰是创业公司短期难以补齐的制度性积累。围绕着这个数据闭环，清雁搭起了三条业务曲线，第一是数据基础设施，对外输出数据空间、数据资产管理平台；第二是数据采集场，自建之外，也把采集设备和平台对外输出，甚至承接存量数采中心的改造；第三曲线是模型，包括世界模型（理解与推演世界演化）、行动模型（规划、决策、控制与本体适配），以及基于几何物理引擎的合成数据。这种沉淀也让清雁较快地实现了商业化。在秦皇岛，由政府牵头、多家具身智能公司进驻的具身智能数据训练场中，清雁扮演独立的第三方角色，负责最底层的数据基础设施。不同厂商的机器人数据需要分开管理、分开传输、核算资产价值，这个角色只能交给不碰应用的中立第三方来承担。类似的需求正在自发涌现，“很多地方建好的数采中心，后来因为运营问题，都在沟通用我们的平台做改造。”张英伟说。然而，清雁的商业化场景并不只押注在具身身上。孙明明提到，“具身现在遇到的困境，其实是整个AGI体系在环境感知与决策能力上缺口的一种外显。CV领域的基模远没有达到大语言模型的能力，把这块补上之后，数字世界、随身AI设备，甚至AI for science，都会出现和现在不一样的产品。”一个容易被忽略的细节是，这条赛道对认知的理解正在分化。王凡给了一个类比：人思考时会自动聚焦相关的物体、忽略周边环境，而如今不少世界模型却要把视野里的一切事无巨细地复现出来。“这条线一定会分化。对机器人来说，要点不是把整个场景事无巨细地重建，而是认知世界、据此决策。”在他看来，世界模型的技术路线远未收敛，架构层面的新可能正在接近成为共识。中国式的Neo Lab尽管清雁已经实现了一定的商业化，但这个团队最让我好奇的还是Neo Lab的基因。关于Neo Lab的硅谷故事我们已经听了很多，不管是最早的OpenAI，还是Ilya Sutskever创办的SSI，Jeff Dean创办的Discovery Loop，杨立昆办的AMI Labs等，他们都是靠一句愿景和一群人就拿下了数亿美元的融资。在这一点上，国内看起来有些保守和谨慎，所以我们之前在《一场价值140亿的实验》中曾写到林俊旸今年创办的p7k，可能是中国第一个独立的、由VC支持的、范式开拓型AI Lab。给出“Neo Lab”这个看法的，恰恰是领投A轮的君联资本，在他们看来，清雁有机会成为中国的范式开拓型AI Lab。相比于上述案例，清雁脱胎于高校与研究院，聚焦技术最前沿，做的却是实在而具体的事情，算的是高校科研能力产业化的账。对于Neo Lab的成立条件，孙明明拆出两条。首先，必须直面一个前沿的公共难题。现在具身智能/Physical AI领域的数据极度稀缺、任务极其困难，“要达到大模型那种效果，有人估算需要几万亿级别数据，这显然不切实际。大语言模型的范式不是照搬就能成功的。到底什么范式能引领这个领域走向真正的成功？这就是困扰现实的难题，也是我们成立的初衷。”其次，必须是一种新的组织范式，“为什么这件事不能在大公司、研究院或者高校做？本质上是Neo Lab承载了AI时代的一种新型组织方式，扁平化管理、开放式问题、自下而上的探索。”汤珂则把这视为一代创业范式的更替，“上一代互联网创业是懂产品的产品经理在创业，这一代是懂技术的人在创业。知识正在变成稀缺产品和壁垒，而知识的源头在研究院和学校，这一代公司会大量从研究院和学校里长出来。”汤珂分享了他的一个观察，现在投资人越来越关注基础学科的底层突破。世界模型研究有很强的约束，比如数据难获得，要解决的问题足够复杂。“越是这个时候，业界越希望从底层、从更基础的数学上来寻找答案。”可以作为佐证的是，过去两年，越来越多的数学家加入大模型公司，并取得了成功，当前市场在等的，就是技术范式上0到1的新解。同样，这个标签在投资人眼中也成为了稀缺项。如果这正好是可以代表中国突破的，那最好不过了，在投资人看来，因为如同大语言模型一样，世界模型也必将有中国自己的、独特的世界模型范式和公司。另一个加分项则在于商业化上，清雁在做基础研究的同时就有了真实的商业化收入，所以不必像海外那些“一帮前沿学者凑到一起”就出来融资的研究机构一样。被问到最担心的竞争变量，王凡的回答很直接：“我最担心的是在技术路线收敛之前，我们没能做到足够的突破。”他进一步解释，如今具身与世界模型处于百花齐放的状态，一旦路径收敛，竞争就会变成一个相对无聊的资源游戏，而对一家尚未取得断崖式领先的公司来说，那并不是有利的战场。孙明明则把格局放到更长的时间尺度：“这个问题最终的解决，一定是几家类似Neo Lab的公司共同探索出来的。就像大模型是几家公司共同探索出来的一样，OpenAI走出了大模型与o1、思维链的方式，Anthropic贡献了agentic与coding的范式。我们希望成为这个模式中的一家公司。”这些愿景能否兑现，还有待时间检验，按孙明明透露的计划，明年这个时候将有一个面向公众的模型发布，几何物理引擎能不能在真实任务中立住，会是第一个看得见的答案。